Context engineering для сложных кодовых баз: исследование, планирование, реализация
Context Engineering for Complex Codebases: Research, Plan, Implement
Агенты для кодинга справляются с большими существующими кодовыми базами, если выстроить работу через сжатие контекста в планы на фазах research, plan, implement.
- Компакция вместо долгих диалогов — итоги исследования кода сжимаются в markdown-файл с нужными файлами и номерами строк, и новый агент начинает работу с готовым пониманием. Спикер советует держать контекст ниже примерно 40% окна, где, по его словам, начинается заметная потеря отдачи.
- Планы с готовым кодом — в плане перечисляются файлы, фрагменты кода и проверки после каждого шага. По словам спикера, при таком плане даже слабая модель вряд ли ошибётся в исполнении, поэтому читать нужно план, а не каждую строку кода.
- Кейс на 300 000 строк Rust — за семь часов в BAML сделали около 35 000 строк изменений, часть из них сгенерирована кодом; соавтор оценил эту работу в одну–две недели. Один из PR влили примерно через неделю.
- Мышление не делегируется — попытка убрать зависимости Hadoop из Parquet Java провалилась, и пришлось вернуться к проектированию на доске.
Кому полезно: тем, кто внедряет агентов для кодинга в большие существующие проекты и перестраивает ревью под поток кода, написанного ИИ.
Доклад цитируется в статьях
Главы
Ещё доклады: Dex Horthy
Все 4 доклада →Разговор с мастером AI-кодинга
Большой спор о циклах
Dex Horthy, Allie Howe, Greg Pstrucha, Ian Livingstone, Geoffrey Huntley
AI Engineer World's Fair 2026
Почему программные фабрики терпят неудачу
AI Engineer World's Fair 2026
Похожие доклады
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Близко по содержанию
Как создавать готовый к слиянию код с помощью context engine
AI Engineer World's Fair 2026
Близко по содержанию
Вашим агентам не хватает контекста: как исправить их «Вы абсолютно правы!»
Близко по содержанию

